Optimizing of Schedule Time for Relay Transportation System in Hazard Condition Respect to Dividing Tasks between Centers and Capacity of Fleet (Case study: Qazvin City)

Document Type : Applied Article


1 Assistant Professor, Department of Industrial Engineering, College of Engineering, Semnan Branch, Islamic Azad University, Semnan, Iran

2 PHD Student, Faculty of Administrative Sciences and Economics, Isfahan University, Isfahan, Iran

3 M.Sc. of Transportation Engineering, Faculty of Civil & Environmental Engineering, Tarbiat Modares University, Tehran, Iran

4 Assistant professor, Material and Industrial Engineering Faculty, Semnan University, Semnan, Iran


Avoidance of turning natural disasters to natural tragedies requires upraising in capacitance of management and planning in Hazard management. Into this purpose, seconds and minutes should be considered as an essential limitation to save lives in such natural catastrophes in the process of serving. To this end, planning for the optimal use of available time of relief system in these cases, will lead to increased backup capabilities, assistance in the shortest possible time, and the appropriate allocation of resources to the required people. In this regard, the present study tries to provide a model for distributing relief tasks in different regions of a city, between hospitals and relief centers, and considering the relief funds assigned to them for relief, and use of real distances in different parts of the city of Qazvin. These centers, will focus on optimizing the time needed to transfer injured people in crisis situations to hospitals, in a three-stage supply chain, and, in order to achieve these goals, consider the capacity of the fleet in the problem. Degree of complexity of the problem is NP-hard.Therefore, finding an optimal solution in a reasonable time is impossible by using accurate methods. In This paper, a dynamic genetic algorithm has been employed in which contains chromosomes with variable structure in order to solve the problem. In addition, for evaluation of results accuracy from this algorithm, it compare with result from random search method. Results show genetic algorithm is more reliable and demonstrate the improvement of average results with increase of relay vehicle and capacity of them; also the deterioration of average results with growth of injured people.


[1]. آراسته، کریم؛ بزرگی امیری، علی؛ جبل‌عاملی، محمدسعید (1394). «مکان‌یابی چندگانة تسهیلات و نقاط انتقال مجروحان در زمان بحران». مجلة تحقیق در عملیات و کاربردهای آن. دورة 12. ش 1: 31-21.
[2]. برزین‌پور، فرناز؛ صفاریان، محسن؛ تیموری، ابراهیم (1393). «الگوریتم فراابتکاری برای حل مدل برنامه‌ریزی چندهدفه مکان‌یابی و تخصیص سه‌سطحی در لجستیک امداد». مجلة تحقیق در عملیات و کاربردهای آن، سال 11، ش 2: 50-27.
[3]. بزرگی امیری، علی؛ صبوحی، فاطمه (1396). «مسیریابی و زمان‌بندی وسایل حمل‌ونقل برای توزیع کمک‌های امدادی با در نظر گرفتن تحویل جزئی و انبار چندگانه». فصلنامة مهندسی حمل‌ونقل. دورة 9.  ش 1. 138-125.
[4]. بهشتی‌نیا، محمدعلی؛ خطیبی، سید امیرمحمد (1396). «تحلیل سه سناریوی مختلف در بهینه‌سازی مصرف انرژی و زمان‌بندی در زنجیرۀ تأمین». نشریة مهندسی و مدیریت انرژی، دورة 7، ش 1: 47-36.
[5]. بهشتی‌نیا، محمدعلی؛ مقیمی، مصطفی (1396). «بهبود کیفیت انتقال مصدومان هنگام وقوع بلایای طبیعی از نقاط مختلف جغرافیایی». فصلنامة پژوهش‌های جغرافیای انسانی، دورة 49، ش 3: 551-539.
[6]. جمالی، حسین؛ بشیری، مهدی؛ توکلی مقدم، رضا (1394). «بررسـی و حـل مسئلة‌ امدادرسـانی دوسـطحی نقـاط آســیب‌دیده از بحــران». دوفصلنامة علمی- پژوهشی مدیریت بحران. دورة 4. ش 2: 22-5.
[7]. خطیبی، سید امیرمحمد؛ مقیمی، مصطفی؛ بهشتی‌نیا، محمدعلی (۱۳۹۵). «برنامه‌ریزی یکپارچگی زمان‌بندی تولید و حمل‌ونقل زنجیرة تأمین هرمی (با دو سطح تأمین‌کننده) با استفاده از الگوریتم ژنتیک». اولین کنفرانس ملی مدل‌ها و تکنیک‌های کمی در مدیریت، تهران.
[8]. شرکت مهندسی آتیه‌ساز و آرمان تردد پارس (1389). ناحیه‌بندی مطالعات جامع حمل‌ونقل و ترافیک. گزارش طرح جامع حمل‌ونقل و ترافیک شهر قزوین. شهرداری قزوین.
[9]. صفارزاده، محمود؛ اله‌یاری نیک، اشکان؛ جهانمرد، احسان (1392). «تعیین محل بهینة مراکز خدمات درمانی در زمان امدادرسانی با به‌کارگیری مسئلة تخصیص مکانی HUB و حل توسط الگوریتم ژنتیک». فصلنامة علمی- ترویجی مهندسی ترافیک. ش 54: 11-5.
[10]. عبدالرزاقی، علیرضا (1395). مدل‌سازی پذیرش ریسک راننده قبل از آغاز فاز قرمز. پایان‌نامة کارشناسی ارشد مهندسی برنامه‌ریزی حمل‌ونقل، دانشکدة فنی و مهندسی. دانشگاه بین‌المللی امام خمینی (ره).
[11]. مقیمی، مصطفی؛ بهشتی‌نیا، محمدعلی (1394). یکپارچگی زمان‌بندی تولید و حمل‌ونقل در زنجیرة تأمین با درنظر گرفتن چند تأمین‌کننده و چند سازنده. پایان‌نامة کارشناسی ارشد. دانشگاه سمنان.
[12]. Averbakh, I. (2010). “On-line integrated production–distribution scheduling problems with capacitated deliveries”, European Journal of Operational Research, 200(2): 377-384.
 [13]. Furuta, T.; Tanaka, K. I. (2013). “Minisum And Minimax Location Models For Helicopter Emergency Medical Service Systems”, Journal of the Operations Research Society of Japan, Vol. 56: 221-242.
[14]. Garey, M. R.; Johnson, D. S.; Sethi, R. (1976). “The complexity of flow shop and job shop scheduling”, Mathematics of Operation Research, Vol. 1: 117–129.
[15]. Guo, Z.; Yang, J.; Leung, S. Y. S.; Shi, L. (2016). “A bi-level evolutionary optimization approach for integrated production and transportation scheduling”, Applied Soft Computing, Vol. 42: 215-228.
[16]. Lasschuit, W.; Thijssen, N. (2004). “Supporting supply chain planning and scheduling decisions in the oil and chemical industry”, Computers & Chemical Engineering, Vol. 28(6–7): 863-870.
[17]. Li, H.; Womer, K. (2008). “Modeling the supply chain configuration problem with resource constraints”, International Journal of Project Management, Vol. 26, No. 6: 646-654.
[18]. Maravelias, C. T.; Sung, C. (2009). “Integration of production planning and scheduling: Overview”, challenges and opportunities. Computers & Chemical Engineering, Vol. 33, No. 12: 1919-1930.
[19].  Rath, S.; Gutjahr, W. J. (2011). “A Math-Heuristic for the Warehouse Location-Routing Problem in Disaster Relief”, Computers and Operations Research,
[20]. Rostamian Delavar, M.; Hajiaghaei-Keshteli, M.; Molla-Alizadeh-Zavardehi, S. (2010). “Genetic algorithms for coordinated scheduling of production and air transportation”, Expert Systems with Applications, 37(12): 8255-8266.
[21]. Sawik, T. (2014). “Joint supplier selection and scheduling of customer orders under disruption risks: Single vs. dual sourcing”, Omega, 43: 83-95.
[22]. Wang, X.; Cheng, T. C. E. (2009a). “Logistics scheduling to minimize inventory and transport costs”, International Journal of Production Economics, 121(1): 266-273.
[23]. Wang, X.; Cheng, T. C. E. (2009b). “Production scheduling with supply and delivery considerations to minimize the makespan’ European Journal of Operational Research, 194(3): 743-752.
[24]. Yao, J.; Liu, L. (2009). “Optimization analysis of supply chain scheduling in mass customization”, International Journal of Production Economics, 117(1): 197-211.
[25]. Zandieh, M.; Molla-Alizadeh-Zavardehi, S. (2009). “Synchronizing production and air transportation scheduling using mathematical programming models”, Journal of Computational and Applied Mathematics, Vol. 230, No. 2: 546-558.
[26]. Zegordi, S. H.; Abadi, I. N. K.; Nia, M. A. B. (2010). “A novel genetic algorithm for solving production and transportation scheduling in a two-stage supply chain”, Computers & Industrial Engineering, Vol. 58, No. 3: 373-381.
 [27].  Zegordi, S. H.; Beheshti Nia, M. A. (2009). “A multi-population genetic algorithm for transportation scheduling”, Transportation Research Part E: Logistics and Transportation Review, 45(6): 946-959.